摘要

研究目标:构建中国营商环境评价体系,考察中国营商环境的区域差异及时空演变特征。研究方法:基于2010至2019年30个省市的面板数据,确定51个测度指标,采用主成分分析法合成为营商环境综合指标,并运用Dagum基尼系数、自适应核密度估计、边际垂直\(\beta\)收敛模型和Moran’s I指数研究营商环境区域差异、动态演变和时空收敛性。研究发现:中国营商环境整体上呈现持续优化的趋势,但三大区域的发展水平存在显著差异,其中贡献最大的为区域间差异;各个区域营商环境的演变趋势表现出明显的异质性,其中,中、西部地区的多极分化特征尤为明显;全国层面上均支持出\(\sigma\)收敛和\(\beta\)收敛机制,但不同省市在整体收敛过程中提供的贡献存在梯度效应;营商环境指标表现一定的空间集聚性,然而这种特性呈现逐年递减的趋势。研究创新:依照“十四五规划”下营商环境的内涵,从开放化水平、企业市场环境、企业法治环境、市场主体保护力度和公共服务水平5个维度构建了中国营商环境评价体系,并使用边际垂直\(\beta\)收敛模型近一步研究不同省市在收敛过程中的异质性。研究价值:本文基于中国营商环境综合指标展开实证研究,并揭示了其发展水平的区域差异、演变趋势和收敛情况,为促进区域经济高质量协调发展提供可靠依据。

关键词:营商环境指标体系、Dagum基尼系数、自适应核密度估计、边际垂直\(\beta\)收敛、Moran’s I指数

引言

1978年以来,中国的改革开放取得了举世瞩目成就,为广大发展中国家提供了堪称典范的“中国经验”。在改革开放的前30年,招商引资的确为我国经济的快速增长提供了积极贡献。然而,在经济进入高质量发展阶段后,通过低廉的要素供给价格、突破底线的政策支持和对破坏生态的默许等“优惠”条件,来吸引外资入驻,以期高速增长速度的发展模式显得日渐式微。以招商引资为代表的政府履行经济发展职能的方式本质上是政府越位和错位的表现(黎民、刘玉娟 2004),往往会导致公共权利的滥用、官员目标函数变异和企业与政府间的“双向寻租”(王洛忠、刘金发 2007)。因此,为近一步释放经济增长潜能,提升地方政府治理体系和治理能力现代化,政府应从招商引资的“主导人”向优化营商环境的“服务者”这一角色转变,学习“造环境”的新本领(宋林霖 2018)。党的十九届五中全会提出,要全面深化转变政府职能等各领域改革,优化营商环境,大力推动科技创新,更大激发各类市场主体活力和人民群众创造力。好的营商环境就是生产力,营商环境只有更好,没有最好1。在“十三五”期间,我国的营商环境有了长足的进步,根据世行发布的《2020年营商环境报告》,中国排名跃居第31位,连续两年被评为“年度十大最佳改革者”。但是也要意识到,世行的评价指标仅局限于营商便利化的方面,而忽略了例如法治保障、经济稳定、公共服务等其他因素,并且此次排名中代表中国的样本均来自于中国最发达的两个城市——北京和上海,因此并不能客观且全面地代表中国整体营商环境的进步速度。

营商环境这一概念最早来自于世行“Doing Business”项目组于2003年发布的第一份全球营商环境报告,报告以问卷的形式,囊括了企业由开办到破产一个生命周期中经营行为的便利程度(世行 2003年的报告)。学术界对于营商环境虽没有统一的定义,但都基本认同营商环境是包含影响企业活动的社会、经济、政治和法律等要素、涉及经济社会改革和对外开放众多领域的系统性工程(Benn Eifert 2005 ;张国勇、娄成武 2018;刘志勇、魏丽丽 2020)。从2003年至2019年,世行的评价指标由最初的6项一级指标逐步完善到11项一级指标、49项二级指标。在此期间,学者们利用世行的营商环境数据展开了大量实证研究,着重分析营商环境在宏观层面中对于经济增长、节能减排、技术创新、对外贸易、政府治理等方面的影响作用(Tareq 2018;Nangpiire 2018;Rieger 2019;cui 2021;董志强 2012;张龑 2016;夏学后 2019;徐换歌 2020)。随着营商环境的重要性日益凸显,国内关于营商环境的调查报告数量逐渐增多,中国学者基于这些调查数据进行了着重于微观企业层面的深入研究。例如,于文超(2019)将《中国分省份市场化指数报告》中的市场化指数作为营商环境的代理变量,并结合2012年全国私营企业的调查数据展开实证研究,发现方政策不确定性对企业经营活力的负向影响随着地区营商环境的改善而减弱;薄文广(2019)利用《2017年中国营商环境报告》和上市公司数据的匹配结果,分析了企业家才能、企业全要素生产率和营商环境三者间的关系,并认为营商环境在企业家才能对企业全要素生产率的影响中存在明显的“门槛效应”。陈太义(2020)使用2018年中国企业综合调查(CEGS)数据,其实证结果指出营商环境对企业高质量发展有显著的促进作用。2019年10月,国务院正式公布了中国优化营商环境领域的第一部综合性行政法规——《优化营商环境条例》(后简称为《条例》),指出要按照“国际可比、对标世行、中国特色”三个原则构建中国特色营商环境评价体系,此后关于营商环境评价体系的构建也成为该领域的热点问题(张三保 2019;阮舟一龙 2020;张三保 2020;陈强 2021)。纵观已有文献发现,我国对于营商环境的相关研究近几年已经积累了一定的成果,但存在一定的局限性。本文认为对于营商环境的研究还可从以下两方面进行拓展。首先,现有文献在进行营商环境评价体系构建时把握住了“国际可比、对标世行”,而忽视了“中国特色”的原则,导致在进行测度指标选取时对照世行的已有标准削足适履,且测度数据往往是基于特定年份或特定地区的相关报告,无法构成一个连贯且全面的面板数据,因此也无法针对中国的营商环境问题进行全面系统的考察;其次,鲜有文献基于区域协调发展的角度,深入探讨营商环境的问题。在新常态背景下,经济增长已经从“量”上高速增长转为“质”上的高质量增长,对于中国而言,企业发展面临的复杂经济、市场及制度环境存在明显的地域差异(黎常 2014;张三保 2020),而营商环境的发展程度与区域经济发展之间存在相互促进的互动关系,区域营商环境的发展程度及其分布状态直接影响着区域核心竞争力以及区域经济的转型发展。

基于此,本文的研究围绕以下四个问题展开:第一,在把握“十四五”规划中营商环境内涵的基础上,如何选取合适的评价体系和方法来测度测度中国营商环境的发展水平?第二,各个地区营商环境发展水平是否存在差异,若存在则这种空间非均衡性有多大?第三,中国营商环境的动态分布演进具有何种趋势和特征?第四,营商环境指标的差异是否存在收敛,若收敛则又满足何种收敛机制?根据上述问题的研究结果,不仅可对不同地区营商环境的发展水平、所处阶段有清晰客观的认识,同时也可由营商环境发展水平的地区差异、时变趋势和收敛情况对地区的营商环境发展提出有针对性的政策建议,为促进区域经济的协调发展提供基于营商环境的新视角。

二、营商环境的内涵及指标体系构建方法

1.“十四五规划”下营商环境的内涵

政府是推动发展的主体,政府推动发展的首要任务在不同的时期有不同的侧重。“十四五”时期政府推动经济发展并不仅在于直接投资、招商引资,首要任务是优化营商环境,工作重点是打造一流的营商环境,或者说以打造世界一流到的营商环境为目标(张占斌 2020)。“十四五”规划明确指出,要构建公平竞争的市场环境、高效廉洁的政务环境、公正透明的法律政策环境、开放包容的人文环境。沈荣华(2020)认为好的营商环境往往同时具备便利性、公平性、透明度、法治化和国际化这5点共性。宋林霖(2020)指出要以公平、效率、透明、开放、包容等为核心理念,全面推进营商环境的市场化、法治化和国际化。据此,基于“十四五规划”下的新发展理念和《条例》,结合学者们的观点,本文认为营商环境的评价体系应该从开放化水平、企业市场环境、企业法治环境、市场主体保护力度和公共服务水平5个维度进行考察,具体而言:

开放化水平。随着国际上“一带一路”的倡议和国内各大经济带的建设,经济欠发达地区有越来越多的机会向外借鉴先进的管理经营和技术,近一步提高开放化水平不仅是经济高质量发展的必由之路,也是优化营商环境的必要条件。习近平总书记曾指出,提出建设开放型经济新体制,一个重要目的就是通过开放促进我们自身加快制度建设,改善营商环境和创新环境2。可见,作为打造对外开放新高地的重要抓手,营商环境与开放化水平有着密不可分的联系。

企业市场环境。依照“对标世行”的原则,企业各项经营活动的便利程度是营商环境评价体系中的重要组成部分。《条例》第三章的第二十六条至二十八条强调,要拓宽市场主体融资渠道,降低中小型、民营企业的融资成本;供水、供电等公共事业应为市场主体提供安全、价格合理的服务。与此同时,对于企业研发决策而言,良好的市场环境往往是一个有力的推动因素(杨凤 2016;高楠 2017)。因此,创新市场的活跃程度也是营商环境发展程度的重要衡量指标。为此,本文认为在企业市场环境的建设中应以“减费创新”为目标,促进营商环境的发展。

企业法治环境。完善法治不仅是“十四五”时期优化营商环境的制度保障,同时也是切实保障企业权利的基本底线。《条例》围绕推进法治政府建设,重点针对法规政策制定透明度不足,新出台法规政策缺少缓冲期,企业对政策环境缺乏稳定预期等突出问题作了明确规定。因此,营商环境的发展离不开提高政策透明度和稳定性,强化企业经营的法治保障。

政府对企业的保护。“十四五”期间优化营商环境的主要抓手是精简政府职能,深化“放管服”改革。《条例》第二章中指出,坚持权利平等、机会平等、规则平等,保障各种所有制经济平等受到法律保护。政府既要让市场在资源配置中取决定性作用,减少对市场的干预,又要做公平竞争的维护者,加大对非国有经济权益的保护力度。同时,也要提高知识产权保护意识,健全知识产权侵权惩罚赔偿制度。

政府公共服务水平。公共服务环境的优劣直接影响着营商环境的好坏。营商环境的建设不仅要重视生态文明的建设,加大环境污染的治理力度,也要补齐民生短板、完善交通、医疗、电信等方面的基础建设,为企业营造一个适宜的经营环境。良好的公共服务不仅可以以基础建设的硬件优势吸引创新性人才和企业的入驻和发展,在软件上,政府一系列惠民惠企的服务也会加大企业的认同感和归属感,有利于减少企业的违规行为。总而言之,公共服务平台的建设要以“绿色便企”为目标,为企业提供多样化、便利实惠的公共服务,促进营商环境的发展。

2.营商环境指标体系的构建

根据前文关于“十四五规划”下营商环境内涵的探讨,并依照《条例》中“国际可比、对标世行、中国特色”三项基本原则进行基础指标的选取。除此之外,参考吕承超(2020)的做法,在确定基础指标原始数据时,形式上,本文尽可能的将总量指标转为比例指标、结构指标和强度指标等形式,以减少因度量造成的误差;属性上,本文依据基础指标与营商环境的关系,将所有指标分为正、负两类,以明确各个指标影响方向。最终,本文基于开放化水平、企业市场环境、企业法治环境、市场主体保护力度和公共服务水平5个子系统,选取51个基础指标构建中国营商环境指标平均体系,如下表所示:

3.数据说明与处理方法

(1)数据说明

本文的样本为2010年至2019年中国30个省市的面板数据。关于基础指标有以下几点说明:银行网点数据爬取于银监会中的金融许可证信息,并提取批准成立日期的前四位数作为对应年份。商业用地价格爬取于中国土地市场网的土地出让数据,首先将行业分类为房地产业的观测值删去,再删去土地用途为公共事业建设用地的观测值,最后筛选出商业用地价格。生产者物价价格指数原始数据是季度数据,本文转换为年度数据。政府透明度和司法透明度来自于《中国法治发展报告》。其中,政府透明度指数由决策公开、服务管理公开、执行和结果公开、政策解读与回应关切、已申请公开5部分,通过在线申请和信函申请的形式获得的。司法透明度指数则由审务公开、审判公开、执行公开、数据公开和司法改革公开5个部分组成。两者是测度政府和司法透明度全面且权威的指标3。2010年至2014年财政政策透明度指数来自于《中国财政透明度报告》,但该报告在2015年后不可得。为保持数据的连贯性和一致性,本文选择和《中国财政透明度报告》考察内容最为近似的清华大学财政透明度课题组公布的《中国市级财政政府透明度研究报告》作为替代。除此之外,本文还进行两步操作:首先,按照之前处理市级数据的做法,将市级口径转化为省级口径;其次,由于两种报告评分机制有所差别,因此将两种报告的数据均进行归一化处理,统一转化为百分制,以保证前后年份的可比性。职务犯罪立案数来自于历年《中国检察年鉴》。受理行政复议案件数和行政应诉案件数爬取于中国法制信息网。在非国有经济发展这个二级指标中,由于各个统计年鉴中并未直接报告非国有经济的相关信息,参照樊纲的做法(2019),本文认为当国有经济所占比例越大时,非国有经济所占比例越低,因此该二级指标下属的指标属性均为负。知识产权执法案件数量爬取于国家知识产权官网。除此之外,其余测度指标所涉及的数据均来自于国家统计局、《中国工业统计年鉴》、《中国统计年鉴》、各省《统计年鉴》、国泰安数据库和EPS数据库。对于样本中的部分缺失值,按照线性插值法和样条插值法进行综合填补。

(2)测度方法

营商环境是一系列和企业经营环境相关因素的综合,因此营商环境的评价体系必须是由多方面、多指标所构成的。目前关于营商环境评价体系的构建方法主要为:效用值法(李志军 2019;张三保 2019)、加权平均(阮舟一龙 2020;张三保 2020)、解释结构模型法(陈强 2021)。但这3种数据降维方法,都无法避免各个基础指标之间可能存在的相关性,从而可能导致结果存在权重结构性问题(吕承超 2020)。除此之外,三类方法所确定的权重来自于人为的主观判断,导致研究的可重复性下降。基于此,为尽可能的保留原始数据所含信息以及权重选取的客观性,本文使用主成分分析法来确定基础指标在一级指标中所占权重,并采用相同的方法合成营商环境综合指标,对2010年至2019年中国省份的营商环境发展情况进行评价。参照钞小静(2011)和吕承超(2020)的做法,具体操作步骤为:第一,对指标属性为负的数据取倒数进行正向化处理,以保证正、负指标作用力同向;第二,对测度数据进行均值化处理,以消除纲量的差异;第三,对全部面板数据使用协方差输入主成分分析法,以保留指标间的相对离散特征;第四,使用第一主成分分析法来确定权重,由此得到目标指标的结果;第五,对结果进行归一化处理,转化为百分制的得分形式,以方便与已有文献的结果进行对照。

三、营商环境的实证分析方法

1.营商环境的区域差异分析

在衡量地区差异中总常用的统计指标是基尼系数,而随着统计学的发展,在传统基尼系数的基础之上逐渐又演化出泰尔指数(1967)、Pyatt基尼系数(1967)和Dagum基尼系数(1997)等一系列不平等的统计方法。传统基尼系数只能比较各个地区的整体不平等程度,不能近一步揭示不平等的来源和特征,并且在研究对象是空间非均衡时得到结果的准确性往往会受到质疑。泰尔指数虽然在传统基尼系数的基础之上将区域间的总体差异近一步分解为组内差异和组间差异两部分,但是要求不同组别的样本应满足独立同方差和正态分布,而在实际中这一点往往难以满足。Pyatt基尼系数则将基尼系数近一步分解为三个部分:区域内差异、区域间差异和层迭项(overlapped),但是由于计算过程的繁杂因而其主要贡献体现在理论证明上。而Dagum基尼系数则在上述方法的基础之上,不仅可以有效克服基尼系数不能按子群进行分组测算的局限,同时还能定量得到不同子群对地区差距的各自贡献程度以及解决样本交叉重叠的问题(插入一大堆文献)。因此,本文依照Dagum基尼系数的计算方法将营商环境指标差异分解为区域内差异(\(G_w\))、区域间差异(\(G_{nb}\))和超变密度(\(G_{t}\))的贡献三部分,并将全国除港澳台和西藏外的30个省市划分为东、中、西三大区域。整体基尼系数的计算公式如式(1)所示:

\[\begin{equation} G=\sum_{j=1}^{k} \sum_{h=1}^{k} \sum_{i=1}^{n_{j}} \sum_{r=1}^{n_{h}}\left|y_{j i}-y_{h r}\right| /\left(2 n^{2} \bar{y}\right) \tag{1} \end{equation}\]

其中,\(G\)表示整体基尼系数,数值越大表示总体的差异越大;\(k\)为区域划分个数,在本文中\(k\)为3;\(n\)为省市总个数,在本文中\(n\)为30;而\(n_j(n_h)\)为第\(j(h)\)个区域内部的省市个数;\(y_{ji}(y_{hr})\)为第\(j(h)\)个区域内部营商环境指标;\(\bar{y}\)为全国营商环境指标的均值。

而在进行Dagum基尼系数分解前,需要按照式(2)的方式对各个区域营商环境指标的平均值进行由小到大的排序。

\[\begin{equation} \bar{y}_{1} \leqslant \bar{y}_{2} \leqslant \cdots \leqslant \bar{y}_{j} \leqslant \cdots \leqslant \bar{y}_{k} \tag{2} \end{equation}\]

\[\begin{equation} G_{j j}=\frac{\sum_{i=1}^{n_{j}} \sum_{r=1}^{n_{j}}\left|y_{j i}-y_{j r}\right| /\left(2 \bar{y}_{j}\right)}{n_{j}^{2}} \tag{3} \end{equation}\]

\[\begin{equation} G_{j h}=\frac{\sum_{i=1}^{n_{j}} \sum_{r=1}^{n_{h}}\left|y_{j i}-y_{h r}\right|}{n_{j} \cdot n_{h} \cdot\left(\bar{y}_{j}+\bar{y}_{h}\right)} \tag{4} \end{equation}\]

式(3)和式(4)分别表示第\(j\)个区域的基尼系数\(G_{jj}\)和第\(j\)个区域与第\(h\)个区域的区域间基尼系数。式中的\(\bar{y_j}\)\(\bar{y_h}\)分别表示第\(j\)个区域与第\(h\)个区域的营商环境指标均值;\({n_j}\)\({n_h}\)则分别表示第\(j\)个区域与第\(h\)个区域的省市数量。近一步,将总体基尼系数分解为区域内基尼系数、区域间基尼系数和超变密度,如式(5)所示:

\[\begin{equation} G = G_{w}+G_{nb}+G_{t} \tag{5} \end{equation}\]

式(6)至式(8)分别给出了区域内基尼系数、区域间基尼系数和超变密度的计算公式:

\[\begin{equation} G_{w}=\sum_{j=1}^{k} G_{j j} \cdot p_{j} \cdot s_{j} \tag{6} \end{equation}\]

\[\begin{equation} G_{n b}=\sum_{j=2}^{k} \sum_{h=1}^{j-1} G_{j h}\left(p_{j} s_{h}+p_{h} s_{j}\right) D_{j h} \tag{7} \end{equation}\]

\[\begin{equation} G_{t}=\sum_{j=2}^{k} \sum_{h=1}^{j-1} G_{j h}\left(p_{j} s_{h}+p_{h} s_{j}\right)\left(1-D_{j h}\right) \tag{8} \end{equation}\]

其中,\(p_i = n_j/n\)\(s_j = (n_j \cdot \bar{y_i})/(n \cdot \bar{y})\)。并且,\(\sum p_j = \sum s_j = \sum_{j = 1}^{k}\sum_{h = 1}^{k}p_js_h = 1\)\(D_{jh}\)表示第\(j、h\)个区域间的营商环境指标的相对影响,计算公式如式(9)所示:

\[\begin{equation} D_{j h}=\left(d_{j h}-p_{j h}\right) /\left(d_{j h}+p_{j h}\right) \tag{9} \end{equation}\]

在式(9)中,\(d_{j h}\)\(p_{j h}\)分别表示\(j、h\)区域中所有\(y_{ji} \succ y_{hr}\)的样本值之和的数学期望和\(j、h\)区域中所有\(y_{ji} \prec y_{hr}\)的样本值之和的数学期望,两者的具体计算公式如式(10)和式(11)所示。其中,\(F_j\)\(F_h\)分别表示\(j、h\)区域的累积分布函数。

\[\begin{equation} d_{j h}=\int_{0}^{\infty}dF_{j}(y) \int_{0}^{y}(y-x)dF_{h}(x) \tag{10} \end{equation}\]

\[\begin{equation} p_{j h}=\int_{0}^{\infty}dF_{h}(y) \int_{0}^{y}(y-x)dF_{j}(x) \tag{11} \end{equation}\]

2.营商环境的动态分布演进分析

虽然Dagum基尼系数可通过对营商环境指标的区域差异进行分解而得到描述差异特征和来源的具体数值,但是并不能对营商环境指标的分布曲线进行可视化分析,为了近一步研究中国营商环境指标分布形态和动态演进特征,本文近一步使用核密度估计曲线(KDE)来展开实证研究。目前,对于区域指标的动态分布演进的实证方法主要为马尔科夫链法和核密度估计法。其中,马尔科夫链法的使用往往要满足两个前提假定。第一,一阶马尔科夫链(First-order Markov Chain),即指标未来的演变状态仅受当前状态的影响,而不受过去历史的影响;第二,时间同质性(Time Homogeneity),即在样本考察期内,马尔科夫转移矩阵是时不变的。而核密度估计法则并不需要对分布的形式作出事先假定,而是基于数据的自身信息使用连续密度曲线对随机变量的概率密度进行估计。因此,核密度估计具有较弱的模型依赖性,最终得到的估计结果具有较强的稳健性。假设\(f(x)\)为中国营商环境指标\(x\)的密度函数,则有:

\[\begin{equation} f(x)=\frac{1}{N h} \sum_{i=1}^{N} K\left(\frac{X_{i}-x}{h}\right) \tag{12} \end{equation}\]

其中,\(N\)为观测值个数,\(X_i\)表示独立同分布的观测值,\(x\)则表示观测值的均值,\(K(\cdot)\)表示核密度函数,\(h\)为带宽。由于核密度的估计对带宽的选择相当敏感,因此带宽选择的合适与否便直接影响到最后估计结果的精确性。具体来说,在数据和核函数不变时,带宽的上升会导致估计的方差下降,曲线更加平滑,但估计的偏差却会上升,反之则反。对于带宽的选择,常见的方式是Silverman的拇指法则(1986)和交叉验证法,但是这两种方法所得的最优带宽为为常数,而在密度并不接近正态时,则可能会产生泛化极差的估计。此外,Burkhauser(1999)指出尾端观测值的信息往往要少于中间的观测值,所以在数据较为稀疏的区域选择固定带宽会过度的平滑,整体的密度形状将会扭曲。为解决上述问题,本文使用自适应带宽核密度法(Adaptive Bandwidth Kernel Density Method),其基本思想是先对密度进行逐点估计,得到一组针对个体观测值的局部带宽系数,然后基于这组数据构建自适应带宽,从而实现了带宽随着样本的位置而变化。也即自适应带宽核密度法是基于固定带宽核密度函数的基础上,通过修正带宽参数而得到的,其具体数学表达式如式(12)所示:

\[\begin{equation} f(x)=\frac{1}{N} \sum_{i=1}^{N} \frac{ w_{i}}{\lambda_{i}h_{N}} K\left(\frac{X_{i}-x}{\lambda_{i}h_{N} }\right) \tag{13} \end{equation}\]

其中,\(w_i\)为抽样权重;\(h_N\)为固定带宽法下计算得到的带宽;\(\lambda_i\)为带宽调整因子(Bandwidth Adjustment Factors);\(\lambda_i\)\(h_N\)的乘积构成了局部带宽。

自适应核密度估计过程通常分为两个阶段。第一阶段,基于固定带宽法先进行一次先导密度估计(Pilot Density Estimate);第二阶段,基于上一步的结果,由式(13)计算出带宽调整因子。

\[\begin{equation} \lambda_{i}=\left[\frac{e^{\frac{\sum_{j=1}^{N} w_{j}log f(x_i)}{N}}}{f(x_i)}\right]^{\alpha} \tag{14} \end{equation}\] 其中,\(\alpha\)称为敏感性系数,在0~1内进行取值,不难发现当\(\alpha\)取为0时,自适应核密度估计便退化为常数带宽的核密度估计。根据Abramson(1982)提出的平方根定律(Square Root Law),当\(\alpha\)为0.5时,自适应核密度估计比普通核密度估计有更小的估计偏误。

在进行核密度估计时,往往需要确定核函数,而核函数根据其表达形式的差别可分为高斯核、三角核、四角核以及Epanechnikov核等,本文使用较为常用的高斯核密度函数对全国整体和三大区域营商环境指标的动态分布演变进行估计。最终,高斯核的自适应核密度函数为:

\[\begin{equation} f(x) = \frac{1}{\sqrt{2\pi}Nh_N}\sum_{i = 1}^{N}\frac{e^{-\frac{1}{2}(\frac{X_i}{\lambda_ih_N})^2}}{\lambda_i} \tag{15} \end{equation}\]

3.营商环境的收敛性分析

对于经济指标收敛性的研究根据其研究视角的不同,可分为时间视角和空间视角两类,分别对应时间收敛和空间收敛。不难理解,时间收敛是指随着时间的推移,初始存在差距的两个个体间的差距会逐渐缩小;而空间收敛则是指处于外围空间的个体,其经济指标具有趋向于中心个体的特征。(刘明,王思文 2018)。对于时间收敛,常见的模型有\(\sigma\)收敛模型、绝对\(\beta\)收敛模型、条件\(\beta\)收敛模型和俱乐部收敛模型。而对于对于空间收敛的分析,常见的模型有加入空间矩阵的拓展\(\beta\)收敛模型:空间误差模型(SEM)、空间杜宾模型(SBM)等。本文对于营商环境指标收敛性研究中重点关注其时间收敛性,因此使用基本的\(\sigma\)收敛模型和基于\(\beta\)收敛模型的拓展模型——边际垂直\(\beta\)收敛(Marginal Vertical \(\beta\)-convergence )模型。

(1)\(\sigma\)收敛模型

\(\sigma\)收敛是指随着时间的推移不同地区的营商环境指标偏离整体平均的差异呈现出逐渐减小的趋势,其常见的测度指标有变异系数、基尼系数和泰尔指数等。参照大多数文献的做法,本文使用变异系数来测度营商环境指标均等化的\(\sigma\)收敛,其具体计算公式如下所示:

\[\begin{equation} \sigma_{t}=\frac{\sqrt{\frac{1}{n} \sum_{i=1}^{n}\left(Index_{i t}-\frac{1}{n} \sum_{i=1}^{n} Index_{i t}\right)^{2}}} { \frac{1}{n} \sum_{i=1}^{n} Index_{i t}} \tag{16} \end{equation}\]

其中,\(Index_{it}\)\(t\)年第\(i\)个省市的营商环境得分。若\(\sigma_t\)随时间的推移而减小,则说明各省市的营商环境指标差距在不断减小,具有向均值收敛的趋势。

(2)边际垂直\(\beta\)收敛模型

边际垂直\(\beta\)收敛模型是基于传统\(\beta\)收敛模型,以全样本下的\(\beta\)系数(传统\(\beta\)收敛模型的估计结果)和子样本下\(\beta\)系数的差值作为捕捉每个个体在收敛或发散过程中起到的边际贡献,并依照个体的异质性以找出影响经济指标收敛或发散的影响因素。因此,有必要先介绍传统的\(\beta\)收敛模型。在仅考察一期的情况下,传统的\(\beta\)收敛模型可表示为:

\[\begin{equation} log \left(\frac{y_{i,t+1}}{y_{i t}}\right)= \alpha_0+\alpha_1 log \left(y_{i t}\right)+\lambda_i+\eta_t+\mu_{it} \tag{17} \end{equation}\]

其中,\(\alpha_0\)为常数项;\((e^{-\beta}-1)\)为重点关注系数,若其显著为负则说明营商环境指标存在\(\beta\)收敛性质,反之则说明发散;\(\lambda_i\)\(\eta_t\)分别表示个体(省市)固定效应和时间固定效应;\(\mu_{it}\)表示误差项。近一步,\(\beta\)收敛模型中的\(\beta\)系数和\(\alpha_1\)的数学关系为:

\[\begin{equation} \alpha_1 = -(1-e^{-\beta}) \tag{18} \end{equation}\]

不难发现,当\(\beta\)为正且数值越大时,\(\alpha_1\)为负且绝对值也越大。两者的相关关系如下图所示。

除此之外,在\(\beta\)收敛分析中,半期收敛系数(Half-life of Convergence Coefficient)也比较常用,其计算方法如下式所示:

\[\begin{equation} T_{\frac{1}{2}} = \frac{log2}{\beta} \tag{19} \end{equation}\]

半期收敛系数的经济学意义为:各地区经济指标的差异缩小为初始差异一半时所经历的时间(Izabela 2016),其基本作用是以当下的收敛速度,预测达到稳态均衡时所需要的时间。

边际垂直收敛的核心思想是计算出单个个体对于整体收敛过程中的贡献。这一思想最早来自于微观经济学中投对于资组合风险的计算,某一个单个资产的风险可以理解为全资产投资组合的风险减去除去这个资产外N-1个资产的风险(Hozer 2004)。根据Batóg(2021)的做法,边际垂直\(\beta\)收敛模型的估计步骤分为两步。第一步,对式(16)进行估计,得到\(\hat\alpha_1\),然后由\(\hat\alpha_1\)求得\(\hat\beta\);第二步,将第\(i\)个地区从样本中删去,重复第一步,得到\(\hat \beta_{i}^{n-1}\),再将两次得到的结果相减便得到了\(i\)地区的边际垂直收敛速度\(\Delta\beta_i\)\(\Delta\beta_i\)的数学表达式为:

\[\begin{equation} \Delta\beta_i = \hat\beta - \hat\beta_{i}^{n-1} \tag{20} \end{equation}\]

其中,\(\hat\beta\)为整体收敛速度(General Convergence Speed);\(\hat\beta_{i}^{n-1}\)为除去\(i\)地区后的收敛速度;两者之差\(\Delta\beta_i\)表示\(i\)地区的边际垂直收敛速度,也即\(i\)地区在收敛过程中的边际贡献,当其为正数时,说明\(i\)地区在整体的收敛过程中起到了正向的推动作用,且数值越大这种边际贡献也就越大。对于半期收敛系数,其计算方式类似:

\[\begin{equation} \Delta T_{\frac{1}{2},i} = \hat T_{\frac{1}{2}}-\hat T^{n-1}_{\frac{1}{2},i} \tag{21} \end{equation}\]

假定\(\Delta T_{\frac{1}{2},i}\)为负且绝对值为\(t_0\)时,对此的解释为:由于\(i\)区域的影响,导致差异缩小为初始差异一般时所需要的时间减少了\(t_0\)年。

4.营商环境的地区空间集聚性分析

这一部分使用Moran’s I指数来进行分析

四、基本事实特征:营商环境测度结果

依照上文关于营商环境指标的测度方法,基于2010年至2019年的省级面板数据,测算了全国各个省份5个子系统和综合指标的得分情况,具体结果见附录表1。按照国家统计局的标准将30个省份划分为东、中、西部三大地区4,以考察营商环境指标在区域层面的动态变化情况。

1.营商环境指标子系统变化趋势

下图以分面图的形式展示了5个子系统得分的变化趋势。其中,纵轴为子系统得分,横轴为年份,不同的散点样式表示不同的区域。

由上图可以看出,对于“开放化水平”和“企业法治环境”这两个子系统,三大区域都是呈现一个随时间稳定递增的趋势。同时,东部地区的子系统得分始终要远高于另外两个地区,这一点和预期相符。而在增速方面方面,在“开放化水平”中,东、中、西三地区的年平均增速依次为7.07%、12.9%和14.3%;在“企业法治环境”中,东、中、西三地区的年平均增速依次为15.2%、18.9%和22.3%。由此不难发现,虽然东部地区凭借其区位优势,获得了改革开放的第一批收益,从而导致其初始禀赋要明显高于另外两个地区,但是其后期发展的速度要明显慢于其他两个地区。尤其是西部地区,凭借近几年的“一带一路”政策,西部地区的开放化水平取得了明显的提高,增速几乎是东部地区的2倍。对于“市场主体保护力度”子系统来说,三大区域在2014年之前呈现出不同程度的下降。而在2014年之后,均呈现出上升的趋势。尤其是东部地区,其在2018年时该子系统的得分已经超过中部地区。2014年是我国经济的经济的转型年,经济进入新常态,而在这期间市场对主体保护力度的提升体现了对经济增长中“质”的重视。对于“企业市场环境”和“公共服务水平”两个子系统来说,东部地区始终要高于中、西部地区。在“企业市场环境”子系统中,从变化趋势来看,三大地区均呈现出现“上升-缓慢下降-平稳”的变化模式,三大地区的最大值均在2015年取得。虽在一段时间内出现过下降,但是三大地区的营商环境较之于期初均得到了不同程度的改善,其中,东、中、西部地区的增幅分别为14.3%、26.3%、7.1%。在“公共服务水平”子系统中,三大地区的变化趋势不尽相同。东部地区则表现出“下降-上升-下降-上升”的变化趋势,但是两段下降期内的下降幅度并不大,期末子系统得分较之于期初有明显的提高。而中部地区则表现出“下降-上升-下降”的趋势,并在2013年时被东部地区反超。但从数值的绝对大小来看,东部地区和中部地区在“公共服务水平”子系统上的得分较为接近。反倒是西部地区,虽呈现出不断的上升趋势,尤其是在2016年之后,其增速有明显的提高。然而和东、中部地区依然存在着较大的差距。

2.营商环境指标变化趋势

上图展示了全国和三大地区营商环境综合指标随时间变化的趋势。第一,从曲线的相对位置来看。东部地区、中部地区、全国、西部地区曲线高度依次递减,说明营商环境发展情况较好的省份大多集中在东部沿海地区。第二,从曲线的变化趋势来看。所有曲线在2017年之前都呈现出上升趋势,只不过对于东、西部地区来说,营商环境综合指标增速放缓,后续变化较为稳定。而全国和中部地区则呈现出明显的下降趋势,尤其是中部地区,在2019年时中部地区的营商环境综合指标已经低于全国的平均水平。第三,从增幅大小来看。东、中、西地区和全国层面的年平均增幅分别为4.87%、3.28%、7.17%和4.96%。由此可以推断,西部地区的初始营商环境发展情况虽是三大地区中最差的,但是其追赶效应十分明显,具有较强的后发优势。第四,从期初和期末的差距来看。在期初时,东-中、中-西和中-西的差距依次为6.83、20和13.1,在期末时,差距依次为15.4、25.1和9.7。可以看出,从绝对量来看,东部地区和其他两地区间的差异均是增加的,而中西部地区间的差异有所减小。整体来说,近一步缩小区域发展差距,促进区域协调发展仍然任重而道远。

除了从时间角度观察营商环境指标的变化趋势,从区域角度考察营商环境指标的空间分布情况也是本文的研究问题之一。上图展示了2019年全国各地营商环境指标得分的空间分布情况。其中,33、45分别为营商环境指标得分的\(\frac{1}{4}\)\(\frac{3}{4}\)分位数,由此将数据未缺失的省份分为三个梯队,分别对应营商环境发达的第一梯队、营商环境一般的第二梯队和营商环境落后的第三梯队。从上 图中可以发现,营商环境发达地区多集中在中、东部地区,西部地区中仅有四川处于该梯队。第二、第三梯队的省份多为西部地区和中部经济欠发达地区。总体上来说,营商环境的分布具有较为明显的空间集聚性,对于营商环境发达的地区,其周边地区的营商环境发展程度也较好。近一步,下图展示2019年各个省份营商环境指标具体得分数值情况。从数值来看,东部地区中的广东、江苏、北京和上海和其余的26个省份差距较大,当除去该4省后,营商环境指标的平均值由45.9下降为39.7,可以看出这4个省份营商环境发展程度要远高于其他省份。从区域内营商环境指标最高和最低的省份来看,在东部地区分别为广东和海南,在中部地区分别为河南和吉林,在西部地区分别为四川和青海。从不同区域内部各个省份营商环境指标的绝对差异程度来看,东部地区可大致分为“高”、“中”和“低”三组,其组内标准差为24.7,为三大地区中的最高。中部地区则大致分为两组,组内标准差为12.1。西部地区若除去最高的四川和最低的青海,则营商环境指标的分布较为均匀,不存在明显的组别差异,但实际组内标准差为12.7,营商环境指标的波动幅度要大于中部地区。总体上来说,在2019年, 排名前4的广东、江苏、北京、上海的营商环境发展状况较好,而排名最后3位的青海、海南和新疆等偏远边疆地区的营商环境发展状况不容乐观。东、中、西三大区域人力资本结构之间表现出明显的梯度效应。

五、营商环境区域差异及其来源

年份 全国 东部地区 中部地区 西部地区 东-中 东-西 中-西 Gw Gnb Gt
2010 0.27 0.22 0.10 0.29 0.21 0.38 0.28 0.07 0.15 0.04
2011 0.27 0.23 0.11 0.28 0.20 0.37 0.28 0.07 0.15 0.04
2012 0.23 0.20 0.10 0.22 0.18 0.33 0.25 0.06 0.14 0.03
2013 0.22 0.20 0.10 0.20 0.18 0.31 0.22 0.06 0.13 0.03
2014 0.21 0.20 0.10 0.17 0.18 0.29 0.20 0.06 0.12 0.03
2015 0.20 0.20 0.09 0.16 0.18 0.28 0.19 0.06 0.12 0.03
2016 0.21 0.20 0.10 0.19 0.18 0.29 0.20 0.06 0.12 0.03
2017 0.23 0.22 0.13 0.19 0.20 0.30 0.21 0.06 0.12 0.04
2018 0.24 0.23 0.13 0.21 0.22 0.32 0.21 0.07 0.12 0.05
2019 0.24 0.22 0.14 0.18 0.23 0.32 0.20 0.07 0.13 0.05

1.全国整体差异

为了直观展示全国总体和三大区域内的差异随时间的演变趋势,本文基于上表的数据做出上图所示的折线图。其中,横轴代表年份,纵轴为对应年份和地区的区域内基尼系数。对于全国层面而言,整体基尼系数的均值为0.23,并在0.204~0.266的范围内波动,说明中国整体层面上的营商环境指标存在的一定地区差异性,但就数值的绝对大小而言,整体差异的程度比较低。其次,整体基尼系数随时间的变化趋势呈现出一个“减小-增加”的结构,在2010年至2015年不断下降,而在之后的年份则增加,并且增长的速度在2019年有所放缓。再次,结合具体数值,在下降期内,全国整体基尼系数由期初2010年的0.266下降至2015年最低点的0.204,降幅为30.39%,年平均减速为1.24%;而在上升期内,虽整体基尼系数呈现上升的趋势,但年平均增速为0.88%,明显要低于整体基尼系数的下降速度。并且在2018年至2019年,基尼系数的增幅仅为0.57%,也即这种差距被拉大的速度明显正在降低。纵观整个考察期,整体基尼系数呈下降趋势且降幅近似为10%。综合以上信息,说明虽然各地经济发展水平、地理位置以及政府政策上存在的差别导致各地的营商环境之间存在一定的差距,但当营商环境的重要性日益凸显,各地政府在进行优化改善时的重视程度和执行力度均在不断提高时,这种差距正在不断的缩小,从而导致整体的非均衡状态呈现出减小的态势。

2.区域内差异

上图还汇报了三大区域的区域内基尼系数随时间的演变趋势。就三条线的相对位置来说。在2012年之前,西部地区的区域内差异最大,而2013年时与东部地区一致,随后始终处于东部地区区域内基尼系数线之下。因此,在三大区域中,区域内差异最大的东部地区、其次为西部地区,最小的为中部地区。

对于东部地区来说,其演变趋势可描述为“下降-稳定-上升”。其中,2010年至2013年对应下降期,2014年至2016年对应稳定期,而2016年至2019年对应上升期。具体而言,在下降期内东部地区的区域内基尼系数由0.228下降到0.196,降幅为15.94%。而随后一年内区域内基尼系数有所回升。在2014年至2016年,东部的区域内基尼系数较为稳定,基本在0.2的上下小幅波动。而在2016年之后,基尼系数开始以年平均0.78%的速度持续上升。纵观整个考察期,东部地区的地区内差异经历了一个较为平稳的先下降再上升的过程,这10年内的差距增幅不过0.09%,故认为东部地区内部的差异较为稳定。

对于中部地区来说,其演变趋势为“下降-上升”。结合具体数据,在2010年至2015年的下降期内,区域内基尼系数降幅为13.1%。而从2015年至2019年的上升期又可以分为两个不同增速的区间。其中,2015年至2017年为快速增长区,年平均增速为1.13%。在2017年之后,增速明显放缓,年平均增速为0.54%。也即中部地区的区域内基尼系数曾经历过一段平缓的下降期,而在2015年之后转而上升,并且增速在期末又有所放缓,说明中部地区的区域内差异正在不断拉大,但是这种变化的速度正慢慢减小。

对于西部地区来说,整体上呈现出一个“下降-上升-下降”的形状。在2010年至2015年,经历了一个快速的下降期,由期初2010年的0.292骤减到期中2015年的0.162,降幅为80.27%,年平均减速为2.6%。在随后的三年内,随在2017年出现过小幅的下降,但整体上为上升趋势,年平均增速为1.09%。整体上来说,西部地区的区域内基尼系数呈现出下降趋势,且在观测期内的标准差为0.044,下降幅度为三个地区中最大。虽在2015年至2018年出现过回升,但是上升的速度不及下降速度的一半,并且在2019年又出现了骤减。所以,在考察期内西部地区的地区内差异是呈现不断缩小的趋势。

3.区域间差异

第一,综合对比三条线的相对位置。从上图中可以发现,始终处于最上方的是东部地区和西部地区的地区间差异。对于中部地区和西部地区的差异来说,虽在最后两期内要低于东部地区和中部地区间的差异,但整体上来说中西之间的差异依然排在第二位。这说明在三区域间的差异中,“东-西”间的差异最大,其次“中-西”,最次“东-中”。

第二,对于涉及到东部地区的“东-中”和“东-西”两线来说,其变化的趋势基本吻合,均呈现出近似“U”型结构。只是“东-中”线在下降段的2010年至2015年更平坦,而在上升段的2015年至2019年更陡峭。具体而言,在下降期,“东-西”线的极大、极小值分别为0.3767和0.2838,在6年内减幅为32.75%,年平均降低速度为1.55%。而“东-中”线的极大、极小值分别为0.205和0.177,这六年内减幅为15.88%,年平均降低速度为0.47%。而在上升期,对于“东-西”先来说,期末对应的极大值为0.32,并未恢复到期初极大值的0.377,而上升期的年平均速度为0.91%,这说明虽在样本期末“东-西”间的差距有所回升,但对于本文的考察期而言,两地区间的差距呈现缩小态势,且具体减幅为17.61%。对于“东-中”线的上升期,其增长势头明显强于“东-西”线,在期末其极大值0.234,上升期内年平均增速为1.44%,近似为下降期减速的3倍。综合上述信息,可以推断在2010年至2015年下降期内,由于东部地区营商环境改善的速度放缓,从而导致东部地区和另外两区域间的绝对差距在不断缩小,而在2015年转折点之后,东部地区营商环境指标的提升速度显著提高,从而又和另外两地区拉开了差距,而西部地区营商环境指标的提升速度始终要高于中部地区,从而导致两条线弯曲程度的差异。

第三,对于“中-西”线来说,除去在2010年至2011年和2015年至2017年出现的短暂上升外,整体上还是呈现出下降的趋势。而其下降的区间根据减速的不同又可分为2011年至2015年和2017年至2019年这两个下降区。在第一个下降期内,年平均减速为1.78%,而第二个下降期内为0.41%。虽然在2019年中西部地区间的差距并没有回到2015年的历史最低点,但依照“中-西”线所呈现的趋势来看,中部地区和西部地区间的差距将会不断的缩小。

综上所述,本文认为东部地区和另外两地区的差异虽在2010年至2015年有过下降,但之后东部营商环境的改善力度得到加强,从而又拉大了与其他地区的差距,并且根据“东-西”和“东-中”两线的走势来看,这样的差距在未来可能还会持续增加;其次,“中-西”线的情况反映虽然西部地区营商环境的初始禀赋要差于中部地区,但不断下降的走势表明两地之间的差距正在不断的缩小,西部地区营商环境的追赶效应尤为明显。

4.区域差异来源及其贡献

为揭示三大区域营商环境指标的差异来源,依照Dagum基尼系数的分解公式,将整体差异\(G\)近一步分解为区域内差异\(G_w\)、区域间差异\(G_{nb}\)和超变密度\(G_t\),具体结果见上表。上图基于上表的结果展示了三类差异对总体差异贡献率随时间的演变趋势。首先,在样本考察期内\(G_w\)\(G_{nb}\)\(G_t\)的均值分别为27.59%,55.56%和16.86%,并且三条线的相对位置始终未发生过改变,说明中国营商环境指标总体差异中贡献最大的分别是区域间差异、区域内差异和超变密度。 其次,就曲线的具体形态而言。区域内差异在考察期内相当平稳,最高点和最低点对总体差异的贡献率相差不过2.22%,说明对于单个区域而言,其内部营商环境指标的差异较为稳定。区域间差异曲线则表现为“上升-下降”的趋势,分别在2013年和2018年取到59.19%的最大值和50.31%的最小值。而超变密度的变化趋势则与区域间差异相反,呈现出“下降-上升”的趋势,虽在期末2019年超变密度要高于期初2010年的超变密度,但两者差额仅为2.96%,故认为超变密度虽整体上呈现出上升趋势,但上升幅度并不大。而且依照其趋势来看,超变密度在2018年取到其最大值,在未来可能会呈现出下降的趋势,也即不同区域间交叉重叠的贡献率将会越来越小,这意味着而解决中国营商环境的区域差异问题,得从缩小贡献最大的区域间差异入手,从而实现整体营商环境的协调发展。

六、营商环境的动态分布演进特征

Dagum基尼系数基于营商环境相对差异的角度,从三大区域间和区域内的角度展示了营商环境指标分布的空间变化过程。为近一步展示营商环境指标的绝对差异,本节采用自适应核密度估计法,分析核密度估计(KDE)曲线的中心位置、形态、延展性和极化趋势等,对样本考察期内中国营商环境指标的动态分布特征与时变演变趋势进行研究。

1.全国整体层面

现有文献多使用三维图或二维多图层叠加的方式来对不同年份的KDE曲线进行可视化展示。对前者来说,依照考察期的年份顺序依次展示对应年份的KDE分布形态,这种方式容易导致考察期期末年份的延展性和极化趋势被前期的KDE曲线遮盖,从而造成信息的损失;对于后者来说,在一个坐标系内使用不同的线型样式或颜色来区分不同的年份,而当考察期年份较多时则会出现曲线重叠问题,不易观测曲线的具体细节。为解决以上两种方法的问题,本文使用山脊图来展示不同年份下不同KDE曲线的形状。

上图表示了全国30个省市在2010年至2019年内营商环境指标的动态分布情况。其中,横轴为营商环境指标得分,纵轴为样本考察期,图形内的三条虚线从左到右依次表示2.5%、50%和97.5%的分位数,用以反映KDE曲线中心位置的延展性的变化。

首先,KDE曲线的中心位置2010年至2015年明显右移,而在2015年至2018年保持稳定,2019年则右移一段距离,取得考察期内的最大值。整体上,KDE曲线呈现出右移趋势,这说明在全国整体层面上,营商环境是逐年稳步提高的。其次,波峰的高度以一定的速度持续下降,同时曲线覆盖的宽度持续增加,这反映出一些省市对营商环境重视度的提高,着手优化当地的企业经营环境,因此其营商环境指标渐渐与其他地区拉开差距。再次,就KDE曲线的分布延展性来说,曲线左侧极值呈现出先减小再增大的规律,而右侧极值则是先增大再稳定,两侧极值之间的距离持续增大,这说明低营商环境指标的省市具有较高的核密度估计值,而高营商环境指标的省市占有的核密度估计值则较少,也即营商环境较为良好的地区依然集中在少部分省市。最后,对于波峰个数的变化,虽在本文的考察期内,全国层面的KDE曲线并未呈现出明显的多峰,但在2017年之后,波峰外凸程度不断下降,且在2019年时,50%分位数的位置已经不再对应波峰最高点,说明全国层面上营商环境的差异正在不断增加。综合以上信息,本文认为以30个省市为代表的全国营商环境指标存在着梯度效应,处于第一梯度的各省其营商环境指标逐年提高,而处于末尾梯队省市的营商环境则基本处于停滞状态,也即两极分化的演变趋势逐渐展现。

2.不同区域层面

上图展示了三大区域内部营商环境指标的动态分布情况。首先,无论是哪一个区域,代表KDE中心位置的50%分数线不断右移,说明三个地区营商环境是处于逐年优化的状态,这一点和之前关于全国整体层面上KDE曲线中心右移的情况相符。

具体而言,对于东部地区,主波峰由“尖而窄”向“扁而平”转换。同时,波峰的高度持续一定的速度下降,曲线覆盖面积不断扩大。除此之外,整个KDE曲线展现出逐渐由单波峰向两波峰演变的趋势。以上信息说明东部地区内部营商环境指标的绝对差异正不断的扩大,且存在两极分化的趋势。

其次,对于中部地区,波峰的高度以较快的速度下降且覆盖面积随之增加。同时,KDE曲线在样本观测期内便实现了由单波峰向双波峰的转变,且两峰之间的距离不断的拉大。同时,2019年和2018年的右侧拖尾在虽较之于2017年有所左移,但是在整个观测期内还是呈现出明显的右侧拖尾拓宽的规律。这表明中部地区内部各个省市之间营商环境指标的追赶势态十分激烈,且各地的营商环境指标改善速度有较大的差别,从而导致区域内部营商环境指标间差距分化程度的加深。

最后,对于西部地区来说,不同于前两个地区波峰高度逐渐的下降,西部地区KDE曲线的波峰高度是逐年递增的,且主峰的宽度不断缩小。同时,在期末几期出现两个侧峰,且主峰和侧峰的相对距离和侧峰对应的覆盖的面积正不断增加,这说明西部地区营商环境在期末呈现出十分明显的多极分化现象。以上信息表明西部地区各省市营商环境的初始禀赋较为接近,但发展速度却存在明显的分层现象,具体可分为“低”、“中”和“高”三个层次,初始禀赋的近似和后期发展速度的差异导致西部地区的KDE曲线呈现出上图的形状。

七、营商环境收敛性分析

上两节分别使用了Dagum基尼系数分解和核密度估计曲线对中国营商环境指标的地区差异特征和动态演进分布进行了研究,本节则在此基础之上,分别使用基于存量视角的\(\sigma\)收敛模型和基于增量视角的绝对\(\beta\)收敛模型对营商环境指标的收敛特征展开更进一步的定量实证。

1.营商环境\(\sigma\)收敛分析

对于全国层面来说,\(\sigma\)收敛系数经历了一个“下降-增加”的过程,在2010年至2015年的下降期内,减幅为18.85%,年平均减速为1.8%,而在2015年至2018年的上升期内,增幅为5.92%,年平均增速为0.57%,但是在2019年又有所下降。纵观整个考察期,全国的\(\sigma\)收敛系数呈现出下降趋势且幅度为16.35%,这表明在全国层面上营商环境指标的差异正在不断的减少,也即符合\(\sigma\)收敛。对于西部地区来说,其\(\sigma\)收敛系数的演变趋势和全国层面一致,均是在2015年实现了由减到增的趋势转变,只不过西部地区的\(\sigma\)收敛系数以年平均1.69%的速度进行更快、更明显的下降。对于东部地区来说,其期初2010年与期末2019年的\(\sigma\)收敛系数相差仅为0.63%,也即变化较为稳定,为出现显著的\(\sigma\)收敛。对于中部地区而言,其\(\sigma\)收敛系数虽在2011出现增加,但在2012年至2015年呈现为较为稳定的小幅度减小,在之后年份则呈现出明显的上升趋势。较之于期初,西部地区的期末\(\sigma\)收敛系数增幅为36.68%,这说明西部地区同样不满足\(\sigma\)收敛,而且呈现出明显的发散趋势。综上所述,全国层面的整体营商环境指标满足\(\sigma\)收敛,而具体到三大区域层面则又各不相同。其中,东部地区的\(\sigma\)收敛系数较为稳定,并未展现出明显的\(\sigma\)收敛或发散趋势,而中部地区表现出发散特征,西部地区则表现出\(\sigma\)收敛特征。这一结论和之前区域内基尼系数的分析相符。

2.营商环境边际垂直\(\beta\)收敛分析

大多数的实证文献都假设由式(17)所得的估计系数应该在观测期内是稳定的。Grela(2017)指出验证这种稳定性的做法主要有三种:1、依照实际经济意义,将全样本分为多个时间跨度不相重叠的子区间;2、选取一个固定的时间跨度,对全样本进行滚窗划分;3、忽视面板数据的时间维度,将全样本进行逐年回归。参考现有文献,本文采用第一种做法,将2010年至2019年的全样本以2014年作为分界点,划分为两个子样本。这样做的原因处于以下两点:首先,2014年是中国经济的一个转型年,在这一年正式提出了“经济新常态”的概念,标志着我国经济发展在速度、结构和动力上的转变;其次,将样本分割为2010年至2014年和2015年至2019年,可使两个子区间的年度跨期比较均匀,从为尽可能的减少由于样本数量而造成的差异。

(1)回归结果分析

上表展示了\(\beta\)收敛模型的回归结果,并按照考察期的时间跨度分为整个样本考察期、经济新常态之前和经济新常态之后。结合回归方程式(17)具体而言,等式右边的\(log(\frac{y_{i,t+1}}{y_{it}})\)是营商环境指标的平均对数增长率,而等式右边的解释变量\(log(y_{it})\)\(i\)地区在\(t\)时营商环境指标的对数值,当其对被解释变量的回归系数为负时,说明两者是反向相关关系的,也即当一个地区营商环境指标的上一期的值越高,那么其后期发展的速度是越慢的,也即营商环境指标发展是收敛的;而若系数为正则说明发散,也即存在“发达的地方越发发达,落后的地方越发落后”的现象(刘 2018)。

首先对于全国层面来说,其\(\alpha_1\)估计系数在任意考察期内均显著为负,说明\(\beta\)收敛机制在全国层面上是稳定存在的。结合\(\beta\)系数的数值,全国层面的\(\beta\)收敛系数为在2010年至2014年为0.285,而在2015年至2019年减小为0.269,但降幅为5.61%,变化幅度并不大。从整个考察期来说,全国层面的\(\beta\)系数为0.278,也即说明营商环境指标欠发达的地区以每年27.8%的平均速度向营商环境指标发展较好的地区靠近。从半期收敛系数来看,以目前的收敛速度,要使全国层面的营商环境指标差异缩小为初始差异一半大致需要2.49年,可见近十年来我国营商环境整体上的收敛速度比较可观。但是对于东部地区和中部地区来说,其半期收敛系数较大,所以东、中部的落后省市要近一步提高对营商环境的重视程度,尤其是起步较晚的地区。缩小地区差异,实现高质量发展中协调发展的任务刻不容缓。其次,对于三大区域而言,除了中部地区在2015年至2019年外,东部地区和西部地区均存在统计意义上显著的\(\beta\)收敛机制。中部地区在后期不存在收敛的结果和前文中其区域间基尼系数不断上升的趋势和KDE的多极分布情况相符合。对于东部地区和西部地区而言,\(\beta\)系数的绝对值大小依次递减,说明西部地区的收敛速度最大,追赶效应最明显。但是两者的\(\beta\)系数在两个子考察期内的变化情况截然相反,对此可能的解释是:较之于西部地区,东部地区的产业结构已较为稳定,政府对于企业营商环境优化的政策是为大多数要素驱动、投资驱动等传统企业而制定的。而在经济进入新常态后,经济发展由量转向质,发展动力转向服务业发展和创新驱动,新兴产业、服务业、小微企业作用日益凸显。东部地区政府在为这些企业提供优惠政策,进行政策转型时会存在一定的过渡期,从而出现外围地区营商环境指标发展乏力的情况。而西部地区在多年西部大开发政策的支持下,不仅已经积累了一定的经济基础,而且在丝绸之路经济带的发展的大背景下,依托中央的政策扶持,西部地区有了更多的机会向外部发达地区不断学习和借鉴。同时,随着川渝城市群的一体化建设,西部地区内部各省市之间的联系也更加的紧密,初始禀赋较差的省市利用周边发达省市的“溢出效应”,并结合自身的后发优势从而实现了营商环境的快速发展。

(2)边际垂直\(\beta\)收敛模型

省市 2010~2014年mvb 2015~2019年mvb 2010~2014年半期收敛系数 2015~2019年半期收敛系数
上海 -0.0006 -0.0028 0.0053 0.0264
云南 0.0002 0.0028 -0.0013 -0.0268
内蒙古 0.0013 -0.0026 -0.0113 0.0248
北京 0.0015 0.0029 -0.0131 -0.0276
吉林 -0.0051 -0.0116 0.0425 0.1063
四川 -0.0006 -0.0178 0.0054 0.1590
天津 0.0002 -0.0108 -0.0015 0.0991
宁夏 0.0000 0.0040 -0.0001 -0.0390
安徽 0.0005 0.0000 -0.0040 -0.0002
山东 0.0004 0.0015 -0.0037 -0.0139
山西 0.0000 -0.0088 0.0003 0.0811
广东 0.0008 0.0008 -0.0070 -0.0077
广西 -0.0006 -0.0005 0.0053 0.0045
新疆 -0.0047 0.0165 0.0397 -0.1678
江苏 -0.0017 -0.0031 0.0143 0.0295
江西 -0.0001 -0.0011 0.0011 0.0104
河北 -0.0001 0.0013 0.0009 -0.0121
河南 -0.0016 0.0010 0.0136 -0.0093
浙江 -0.0014 -0.0003 0.0123 0.0031
海南 -0.0057 -0.0817 0.0477 0.5977
湖北 0.0010 0.0014 -0.0083 -0.0130
湖南 -0.0005 0.0009 0.0042 -0.0085
甘肃 -0.0023 0.0227 0.0191 -0.2363
福建 0.0001 -0.0038 -0.0006 0.0354
贵州 -0.0263 -0.0091 0.2062 0.0838
辽宁 0.0000 0.0084 -0.0001 -0.0827
重庆 0.0004 0.0087 -0.0030 -0.0856
陕西 0.0004 -0.0006 -0.0037 0.0055
青海 0.1489 0.1116 -2.6686 -1.8144
黑龙江 0.0007 -0.0293 -0.0059 0.2522

前文基于\(\beta\)收敛模型的估计系数对全国层面和三大区域层面的收敛情况做出了分析。为能研究不同省市在在全国层面收敛过程中的异质性,本文近一步使用边际垂直\(\beta\)收敛模型展开研究。图-1的左右侧分别展示了2010年至2014年和2015年至2019年的各个省市的边际垂直\(\beta\)系数5。并且为使不同子区间的结果具有可比性,本文对边际垂直\(\beta\)系数做出如下转换:首先依照其的正负进行分组,然后计算出每个省市在其组内的占比,也即算出单个省市在所有同向贡献省市中的贡献比例。同时,将10%的贡献比例作为分界点,将所有省市分为三类:若贡献比例大于10%,则认为具有明显的正向贡献,即在整体收敛过程中该省市加速了收敛速度;若贡献比例在-10%和10%之间,则认为未表现出的贡献;若贡献比例小于-10%,则认为具有明显的负向贡献,即该省市拉低了整体收敛速度。

对于2010年至2014年来说,除去对收敛过程起到负向贡献最大的三省市外,其余省市的边际垂直\(\beta\)收敛系数的分布较为均匀,也即梯度效应仅在负向贡献的省市中明显。起明显负向贡献的省市依次为海南、吉林和新疆。这三个省市均位于我国的边疆地区,离中心的发达地区存在一定的距离,同时该三省市在2010年至2014年营商环境指标的年平均增长速度均匀低于30个省市的平均水平,并且吉林以1.1%的年平均增速处于最后一名。以负向贡献最大的海南为例,其营商环境的初始发展水平处于全国省市中的下游水平,并且其发展速度还要低于平均水平,也即相当处于处于差距的下限被拉大,因此海南也便拉低了整体的收敛速度。而起明显正向贡献的省市为北京、内蒙古、湖北和广东。

而对于2015年至2019年来说,起到正向贡献的省市数量虽然变多,但是贡献的程度较前一期明显减少,这一点和\(\beta\)系数的估计值变小的结果相符。同时,这一期的边际垂直\(\beta\)系数分布呈现出明显的两极化,负向贡献的第一名黑龙江比第二名的四川要高出11%,而四川又比第三名的吉林高出8%;对于正向贡献的省市来说,梯度现象也十分显著。这一现象说明在经济进入新常态之后,各地营商环境发展相对速度有明显的区别,其中对收敛提供显著正贡献的四省中有3个属于西部地区,而呈现出明显负向贡献四省中有2个来自于中部地区,这一点也佐证了之前认为西部地区追赶效应明显,而东部营商环境改善乏力的结论。除此之外,纵向对比两个子区间,可以发现新疆、甘肃、云南等西部省市发展迅速,在进入新常态之前表现为发展速度低下而导致呈现出负贡献,而在进入新常态之后,通过自身的后发优势,在“干中学”中迅速提高了自身营商环境的发展速度,从而在整体的收敛过程中起到了正向贡献。

总体来说,东部沿海地区营商环境的发展速度在进入新常态后放缓,西部地区的追赶效应更为明显,也即差异下限的发展速度变快,而差异上限的发展速度有所放缓。反而是以中部地区为代表的省市发展速度较低,对整体的收敛过程未起到明显的贡献。这一结论和之前分析相符。

八、营商环境空间集聚特征分析

Moran’s I指数可看作省市营商环境指标的乘积和,并在-1~1内波动。如果Moran’s I指数大于 0,则说明营商环境指标在空间集聚上存在着正自相关, 即临近区域间的营商环境指标具有相似属性, 营商环境良好的省市更倾向于集聚在一起,而营商环境指标较低的省市和同样较低的省市集聚。在其数值为正数情况下,越大的Moran’s I指数意味着空间分布上的正自相关性越强, 集聚的强度也越大;若其数值小于 0, 则说明存在空间分布上的负自相关,营商环境发展水平高的省市和营商环境发展水平低的省市更易集聚在一起。同时,越小的数值表明各空间单位的离散程度越大;若其数值为0, 则说明营商环境指标的空间分布是近似随机的,省市间不存在明显空间相关性。

上图中的折线图反映了Moran’s I指数随年份变化的趋势,下方的柱状图表示相应年份,Moran’s I指数对应的P值。首先,可以发现,在10年的考察期内,有4年的Moran’s I指数是在5%的显著性水平上显著,而剩下的6年则至少是在10%的显著性水平上显著,在统计上说明了Moran’s I指数是有说服力的。其次,在考察期内,所有的Moran’s I指数均大于0,且最高点0.183在2012年取得,最低点0.122在期末2019年取得。这说明在中国整体层面上,Moran’s I指数的正空间集聚性是一直存在的。最后,Moran’s I指数虽在2012年和2016年有过短暂的上升,但是从整体上来说则是呈现出下降的态势,这一点和之前收敛机制分析的结果具有一致性,说明在整体层面上营商环境指标在空间上的全局相关性在逐渐降低。

虽然全域Moran’s I指数可以描绘营商环境指标在整体上的空间自相关性,但为近一步研究地区间的空间集聚性,本文采取局域Moran’s I指数分析。在局域Moran’s I指数分析中,一般是通过图形来展示不同地区的空间关系模式。 具体而言, 通过在二维平面上绘制局域Moran’s I指数散点图,将各省市的营商环境指标分为4个象限的集群模式。具体而言,第一象限为“高-高”组合,表示营商环境指标高的省市被同是高营商环境指标的省市集聚;第二象限为“低-高”组合,表示营商环境指标较低的省市被高指标省市包围;第三象限为“低-低”组合,表示营商环境指标水平低的省市被同为较低指标的省市包围;第四象限为“高-低”组合,表示营商环境指标高的省市被低指标的省市包围,其中一、三象限表示正空间自相关,二四象限表示负空间自相关。为使结论具有说法力,本文分别选取代表期初的2010年、代表期中的2016年和代表期末的2019年对应的Moran’s I指数散点图进行说明。

从上图中不难发现,三条线性拟合线均是正斜率,这一点和全局Moran’s I指数恒为正向符合。其次,近似75%的散点都处于第一象限或第三象限内,这说明营商环境指标在绝大多数省市内存在“高-高”或“低-低”的空间集聚特征。近一步,根据散点的颜色可知,第三象限中的散点近乎全是西部地区,而处以第一象限中的散点则完全由中部和东部地区组成。这说明西部地区省市及其临近省市的营商环境指标也同样较低,而东部省市及其临近省市的营商环境指标都比较高,说明地域上的梯度效应十分明显。最后,基于下表中信息和纵向对比不同年份的散点图可以发现,虽然整体上四个象限中散点分布的数量未有明显的变化,但在2019年已有四个西部的省市离开第三象限,而转移到了二、四象限,并且在三个代表期内线性拟合线的斜率依次降低,说明营商环境指标的空间辐射作用呈下降趋势,且存在着空间异质性。

年份 第一象限 第二象限 第三象限 第四象限 线性拟合线斜率
2010 10 6 11 3 0.166
2011 10 5 13 2 0.167
2012 9 4 13 4 0.183
2013 9 4 13 4 0.168
2014 8 5 13 4 0.139
2015 9 6 12 3 0.127
2016 9 6 12 3 0.145
2017 8 6 11 5 0.126
2018 8 6 11 5 0.127
2019 9 6 11 4 0.143

九、结论与政策建议

省份 年份 地区 开放化水平 政府对企业的保护 企业经营环境 企业法治环境 政府公共服务水平 营商环境指标
安徽 2010 中部地区 19.529058 14.0643640 30.1454086 17.1326656 41.6338795 33.609431
安徽 2011 中部地区 20.579723 9.7379465 33.6678376 17.2288164 38.3564899 38.422897
安徽 2012 中部地区 25.623920 10.9664191 40.8248909 20.7477038 39.9761325 43.359564
安徽 2013 中部地区 29.337872 10.8812010 43.8626679 21.0065194 39.0687799 46.786190
安徽 2014 中部地区 30.783398 10.1951205 46.8071196 23.2827149 39.3893235 50.862618
安徽 2015 中部地区 34.830376 10.2480449 48.3864154 25.5339207 40.9070158 54.000689
安徽 2016 中部地区 38.256435 11.2523360 49.4357106 32.8925080 39.5418932 54.877136
安徽 2017 中部地区 44.840899 13.5113774 49.7404368 42.0284252 42.6679903 54.723239
安徽 2018 中部地区 48.467855 21.3624223 47.9830313 50.3973409 37.9985083 55.446099
安徽 2019 中部地区 53.436178 20.8842808 50.6850261 50.3012994 33.8860134 52.334312
北京 2010 东部地区 55.686626 13.3506855 48.5420136 29.3579550 13.9017228 57.194908
北京 2011 东部地区 61.404249 14.2933588 48.6430713 29.5821053 11.8102178 65.725890
北京 2012 东部地区 63.967604 13.6862494 49.6397734 33.4894734 10.9162410 68.348094
北京 2013 东部地区 57.188615 14.2294743 49.4412310 33.6620470 10.0605038 73.490149
北京 2014 东部地区 57.664334 13.1147687 51.9950446 38.5020845 7.3865132 78.967355
北京 2015 东部地区 63.397697 12.1870147 49.1735373 43.9450715 10.3888691 82.133426
北京 2016 东部地区 63.480855 12.9636859 48.9613340 45.1612783 9.3111061 84.061022
北京 2017 东部地区 70.919372 15.3519980 47.4517080 51.1242144 10.4497362 87.556007
北京 2018 东部地区 81.103251 22.8555218 46.7220983 52.9966389 15.5191459 82.281097
北京 2019 东部地区 87.142857 22.4220947 45.6411411 54.9358095 17.2101972 77.254568
重庆 2010 西部地区 33.104653 11.2361703 51.5590901 16.7167765 8.5535197 27.887597
重庆 2011 西部地区 38.911544 12.0620031 58.0701175 20.3726741 5.3384762 29.007514
重庆 2012 西部地区 41.416713 11.4663560 47.4562120 20.1607724 10.7135713 33.504963
重庆 2013 西部地区 39.229830 10.7365648 47.4845684 20.2642465 10.7331472 37.155658
重庆 2014 西部地区 42.447565 11.1261551 51.5765760 22.1860459 12.5429060 39.660313
重庆 2015 西部地区 45.973603 10.9535721 48.8171460 23.3573464 13.3939410 41.618706
重庆 2016 西部地区 48.909222 7.5572457 42.4928061 27.9473498 14.2277321 45.597136
重庆 2017 西部地区 51.096411 13.0488744 45.4236519 29.0218652 13.0530770 41.824125
重庆 2018 西部地区 53.838637 20.5899132 38.5610023 29.7997225 13.5527690 41.600219
重庆 2019 西部地区 58.724599 20.1561268 34.7173660 31.8758977 13.0532241 41.662117
福建 2010 东部地区 22.259210 7.9905483 47.2232379 15.8895462 28.5290968 33.880037
福建 2011 东部地区 23.943091 10.6887559 54.2796922 17.4967885 27.8576491 37.648493
福建 2012 东部地区 26.130621 10.1311990 57.4847384 20.1007548 28.4866906 43.461103
福建 2013 东部地区 27.867817 9.2042775 54.4538843 21.7281862 28.6339619 47.769165
福建 2014 东部地区 28.956250 8.1840311 52.7563402 22.1164238 29.8382632 49.440123
福建 2015 东部地区 30.561094 9.2237766 54.3526000 22.7047588 28.9417570 48.518012
福建 2016 东部地区 35.893133 10.5557120 51.8120747 23.3675086 29.6595159 50.487026
福建 2017 东部地区 38.394475 12.7956213 51.0755891 33.2994966 32.1704655 52.079420
福建 2018 东部地区 30.694220 19.6839878 51.4543504 39.3162029 31.7960138 53.302637
福建 2019 东部地区 31.986770 18.0852602 54.7559542 40.8119509 32.3355241 57.080160
甘肃 2010 西部地区 14.598570 24.1367650 28.8980643 6.5669227 26.5432531 14.280577
甘肃 2011 西部地区 13.111135 24.6982439 29.2709087 7.9882552 25.3947764 16.666436
甘肃 2012 西部地区 11.508434 26.3364617 33.9953162 8.4834641 25.3967807 21.413642
甘肃 2013 西部地区 7.671800 27.3415547 33.6333697 8.3887327 21.6324971 23.110414
甘肃 2014 西部地区 15.529167 24.2027546 34.0423078 10.4747774 23.2543662 27.638051
甘肃 2015 西部地区 14.266474 22.3211823 37.5187849 16.9794558 25.3095701 33.926476
甘肃 2016 西部地区 15.274011 22.7277964 27.4342864 11.2117695 24.7654673 29.364709
甘肃 2017 西部地区 32.586562 23.9913815 18.1884077 18.7207121 28.0684613 32.103959
甘肃 2018 西部地区 14.043492 30.0214464 17.2493835 23.1898114 28.7771231 29.672407
甘肃 2019 西部地区 15.064438 28.8087614 27.0959446 26.9500980 28.4135956 29.488259
广东 2010 东部地区 32.549696 10.2547042 64.1851840 38.6875783 69.6131084 63.194528
广东 2011 东部地区 33.769563 13.5170732 63.7589463 39.7797366 82.4088073 68.926343
广东 2012 东部地区 34.025340 12.7931762 69.5460016 42.9484655 85.3433146 75.843954
广东 2013 东部地区 34.657845 10.2762617 70.8629038 48.9417280 91.3876817 83.915713
广东 2014 东部地区 33.619759 6.9710768 69.0461390 57.0435843 99.2291989 93.113669
广东 2015 东部地区 32.396409 9.9120310 73.9057355 63.2000221 100.0000000 93.180620
广东 2016 东部地区 36.008036 9.9280313 78.0845349 65.0805219 90.5992661 91.100971
广东 2017 东部地区 36.404325 10.4980468 75.4748399 95.1113415 84.6867283 97.445063
广东 2018 东部地区 35.632184 18.5098004 79.4833273 99.9820832 95.1602874 99.981575
广东 2019 东部地区 34.791266 17.7894817 84.9547994 100.0000000 99.7199015 100.000000
广西 2010 西部地区 20.618607 12.9856491 45.3896149 12.6498849 31.0003474 30.329572
广西 2011 西部地区 21.940499 12.4687154 37.0069728 13.6238402 34.9913486 33.235010
广西 2012 西部地区 22.108298 13.1092598 38.1789384 14.2747994 33.8362258 38.100281
广西 2013 西部地区 22.980056 13.6982745 45.2061866 14.8608488 34.5151697 39.749624
广西 2014 西部地区 21.273102 13.9535371 40.6386446 17.6077396 35.8794734 42.992994
广西 2015 西部地区 23.355244 13.9396274 46.1030038 18.9076794 35.9780141 43.741844
广西 2016 西部地区 26.499282 14.1745836 51.0435574 21.2480410 37.6833267 45.001482
广西 2017 西部地区 32.660395 14.9526511 44.7404124 38.5630814 42.4412321 49.519310
广西 2018 西部地区 35.371892 22.6244403 38.8879460 39.1593810 42.6446750 46.829772
广西 2019 西部地区 43.374801 22.6873163 33.4650660 44.2928165 43.4878841 42.797637
贵州 2010 西部地区 0.000000 17.8518433 19.9706081 6.3624206 17.4581299 11.290755
贵州 2011 西部地区 5.635894 21.3779913 20.7518588 9.8448741 19.1588766 13.497440
贵州 2012 西部地区 10.037462 19.3647009 21.1694991 12.0319405 19.2342993 20.334725
贵州 2013 西部地区 14.137518 18.3919295 24.0891164 11.7833068 16.2890860 25.735986
贵州 2014 西部地区 14.740142 18.2897202 24.0981906 16.1981724 15.2531359 30.010266
贵州 2015 西部地区 22.780932 14.0563698 23.9337344 16.4601672 15.1345972 31.516473
贵州 2016 西部地区 34.728606 14.4517902 27.7526931 21.6530633 14.7248818 34.763873
贵州 2017 西部地区 38.754625 17.7847731 24.3989781 30.2264882 9.4844397 33.689620
贵州 2018 西部地区 46.630159 23.8522065 24.7044196 35.2721059 16.0421528 35.368445
贵州 2019 西部地区 48.262252 24.6972643 23.1621896 36.4099991 17.6100728 36.007917
海南 2010 东部地区 26.182696 18.1251915 39.5281301 2.8182464 9.7595693 13.961961
海南 2011 东部地区 27.163046 23.7777399 41.0384692 4.4458647 7.4476905 14.756448
海南 2012 东部地区 17.084046 22.1910090 38.0296589 5.2760221 8.6441406 21.770858
海南 2013 东部地区 14.109002 21.0243580 46.1531647 6.9273297 10.4535705 25.789361
海南 2014 东部地区 25.422968 20.0738280 38.9662532 6.6938290 10.7559414 26.947497
海南 2015 东部地区 27.657880 21.2436880 40.1767260 6.5499556 11.2185835 26.368270
海南 2016 东部地区 61.719208 25.0120701 34.4749365 8.2725022 11.1812939 25.231199
海南 2017 东部地区 79.480138 31.3180262 29.9574913 13.9960639 7.4752512 23.944432
海南 2018 东部地区 87.558803 99.2650098 22.1857757 16.0061576 9.8415127 18.505904
海南 2019 东部地区 100.000000 100.0000000 23.0976168 15.3559535 9.0681886 18.886478
河北 2010 东部地区 21.000615 8.8927401 32.1972423 18.8584941 31.0979703 39.788598
河北 2011 东部地区 22.191734 9.1231633 32.8198369 23.6054416 19.1244030 40.031272
河北 2012 东部地区 26.986487 8.1355301 39.6409981 22.1303500 23.5862466 45.464625
河北 2013 东部地区 29.868006 7.4996085 40.1671474 20.8404914 28.6750520 49.397636
河北 2014 东部地区 32.359694 7.1185506 43.0152284 21.7399441 31.6932314 52.100662
河北 2015 东部地区 34.067721 7.5518173 48.0799930 26.5387168 32.5741938 54.479653
河北 2016 东部地区 37.582950 8.8827878 46.7430036 32.2476589 39.5456854 57.112791
河北 2017 东部地区 41.083114 11.8851631 40.7241079 43.1217734 38.5736334 57.432117
河北 2018 东部地区 44.090081 20.9606208 42.9941658 42.1588676 38.0107594 54.379708
河北 2019 东部地区 49.055418 21.6734068 42.9972067 46.5192764 37.7703099 53.827219
河南 2010 中部地区 13.878279 8.8245678 31.8201559 26.4626465 52.6637963 45.324961
河南 2011 中部地区 14.228024 9.6663789 31.1444971 42.6459858 52.1554857 52.624883
河南 2012 中部地区 17.163918 9.1044315 35.7175817 34.4451070 53.4478602 53.767792
河南 2013 中部地区 17.010705 9.3374718 46.8766637 31.8815777 53.8400038 55.717110
河南 2014 中部地区 19.666213 9.0782558 50.2519317 34.9650638 54.6176047 58.898648
河南 2015 中部地区 25.847422 8.0648524 52.9876015 41.1867120 55.3179315 63.706804
河南 2016 中部地区 31.563874 9.9544373 55.1415515 43.9516392 55.9085873 62.360005
河南 2017 中部地区 34.327614 13.4536548 50.6232200 63.4933740 64.3552898 70.418383
河南 2018 中部地区 34.555647 22.1665081 49.9396409 60.5015477 59.4055731 65.543621
河南 2019 中部地区 35.736937 22.3389031 44.1813479 77.7651828 54.5910855 61.464262
黑龙江 2010 中部地区 26.902042 18.0313876 19.7909775 12.2475482 32.0047967 26.254242
黑龙江 2011 中部地区 25.950158 17.6256595 19.1757726 15.3731089 31.8827327 30.499532
黑龙江 2012 中部地区 26.313072 15.4310275 24.8866353 13.8006053 33.0838245 34.384893
黑龙江 2013 中部地区 26.484430 13.8617004 25.9840268 13.1897326 32.5637984 37.368187
黑龙江 2014 中部地区 27.266393 13.7144410 24.9528671 14.2366080 33.8920394 39.808876
黑龙江 2015 中部地区 26.664247 17.6202683 29.4875085 15.0974334 31.6838442 42.501940
黑龙江 2016 中部地区 32.484729 22.4517206 27.1082116 18.3016115 27.7279867 40.396174
黑龙江 2017 中部地区 35.976611 23.2028063 27.6719035 24.0670444 25.6678730 36.913592
黑龙江 2018 中部地区 40.335269 27.2634247 26.6235652 23.1338334 22.6431825 34.003605
黑龙江 2019 中部地区 36.595958 25.8303057 26.1900318 27.4697770 19.3025965 30.055781
湖北 2010 中部地区 20.874611 13.2219435 29.9795885 16.7402407 37.1085002 35.415420
湖北 2011 中部地区 21.550661 15.4808975 30.1706638 17.6104727 35.2784914 37.413207
湖北 2012 中部地区 22.356887 14.1857056 37.9408416 19.1382198 36.4241364 42.417653
湖北 2013 中部地区 25.250272 10.6718889 41.1196244 19.2762718 30.3833840 43.098518
湖北 2014 中部地区 27.729196 9.6187566 40.2032522 20.7364817 35.8673837 51.041979
湖北 2015 中部地区 30.821588 11.7147104 44.2354393 23.8341988 34.9006438 51.879436
湖北 2016 中部地区 36.620728 13.6580739 47.2139018 27.9825147 34.5860632 50.606882
湖北 2017 中部地区 38.741904 13.9197209 43.4145393 40.0694560 42.2618076 54.642341
湖北 2018 中部地区 42.110037 20.1700087 44.3697764 43.1742326 39.4031704 51.632989
湖北 2019 中部地区 50.068204 19.5158980 43.4627661 46.6725449 36.1250465 48.994792
湖南 2010 中部地区 13.769331 10.3781638 40.6381483 14.5226028 40.1506005 37.022976
湖南 2011 中部地区 12.145185 10.5880618 39.2808316 22.6468828 39.1268665 40.813355
湖南 2012 中部地区 9.795506 9.3927253 44.0523627 25.3520810 40.9831366 48.223562
湖南 2013 中部地区 8.997021 9.1443426 46.7501401 29.2139556 41.2546019 50.893313
湖南 2014 中部地区 12.357746 8.5077234 48.4553072 25.0278137 42.1540516 53.786612
湖南 2015 中部地区 15.463947 7.9296380 55.2818958 27.2883516 39.1818824 55.454204
湖南 2016 中部地区 19.003519 9.0337756 53.8947776 30.4673329 40.7026866 56.860949
湖南 2017 中部地区 29.295597 11.9061389 46.2967478 41.8890298 49.1902561 59.323453
湖南 2018 中部地区 32.461506 19.5053745 43.4475908 47.2528533 46.4363020 56.846294
湖南 2019 中部地区 35.025487 20.0382906 43.4918585 48.6923829 43.4997213 51.312653
吉林 2010 中部地区 24.150462 14.3206655 54.5102936 9.1791909 23.5916057 30.362399
吉林 2011 中部地区 25.279224 17.8644536 54.4473894 13.4562564 23.4961083 30.853830
吉林 2012 中部地区 25.217099 17.1070253 54.7814955 11.6563249 22.4207680 33.329366
吉林 2013 中部地区 25.361511 16.0432820 29.6348474 11.7820276 22.7586397 32.655076
吉林 2014 中部地区 27.554881 14.1600314 48.7173498 12.2030443 22.2287655 35.283691
吉林 2015 中部地区 27.956665 17.2327146 41.9097503 13.2650079 23.5924057 37.328237
吉林 2016 中部地区 29.579111 17.9527103 49.3909133 14.4742389 24.8888838 38.459966
吉林 2017 中部地区 30.017609 20.6721303 51.4938165 20.4167769 24.7423737 36.725873
吉林 2018 中部地区 32.870652 29.7401250 32.1296850 22.3925988 26.3097924 33.352237
吉林 2019 中部地区 34.659572 31.8250245 37.4800192 26.7392226 27.4958739 28.388889
江苏 2010 东部地区 42.368841 3.5512243 59.0783182 27.3823599 49.0124507 59.386014
江苏 2011 东部地区 43.356351 3.3940550 67.2183781 31.9525360 49.3956509 62.805597
江苏 2012 东部地区 44.398269 3.5968072 72.9724214 30.9838379 51.6048691 67.432080
江苏 2013 东部地区 40.099026 3.5465669 77.4442039 34.2800004 51.6753467 71.322106
江苏 2014 东部地区 43.342455 2.2398113 82.9465129 37.1442736 53.1317752 75.892900
江苏 2015 东部地区 45.272997 1.4954599 85.0945635 43.3204514 54.1052872 81.859489
江苏 2016 东部地区 49.411372 3.8050312 86.7806609 47.2667050 54.5323250 83.247121
江苏 2017 东部地区 55.496291 5.5037658 83.9112417 63.4791350 59.4025167 86.549734
江苏 2018 东部地区 60.023264 14.1406945 82.6068296 69.6244695 62.6966450 86.172464
江苏 2019 东部地区 64.049463 14.3959906 85.7079635 72.0704344 64.9539741 88.970328
江西 2010 中部地区 6.341053 10.7924547 28.6511240 12.6583987 30.2577435 32.108905
江西 2011 中部地区 10.252148 10.6031157 31.0275076 14.6440240 27.1788966 33.231418
江西 2012 中部地区 9.369814 9.6361631 38.1863866 13.2953701 26.4414704 38.165925
江西 2013 中部地区 13.041863 9.4192323 41.1123799 13.4200868 29.3849814 41.776103
江西 2014 中部地区 14.165052 10.1805560 38.9230571 14.8740915 30.2804760 43.558054
江西 2015 中部地区 16.724890 8.9711897 42.4706523 15.4406089 30.4096401 45.711977
江西 2016 中部地区 23.674478 10.2584591 43.0686949 16.9915876 25.8400477 43.073285
江西 2017 中部地区 30.064196 13.7516101 37.8626559 23.1693742 31.3639520 45.223116
江西 2018 中部地区 31.833329 21.1391650 41.9615078 27.5071204 35.8557012 44.502540
江西 2019 中部地区 36.782516 20.5703298 46.1099119 35.1107122 39.0845843 45.332734
辽宁 2010 东部地区 32.953338 10.8497351 34.7644315 19.3247290 42.4920803 38.305770
辽宁 2011 东部地区 33.065575 9.9800572 36.5572727 24.1969166 35.4493910 39.800681
辽宁 2012 东部地区 38.884068 9.3700625 39.8659534 24.7341814 35.1282624 44.642807
辽宁 2013 东部地区 36.480035 8.3548905 42.5284813 22.6007642 44.5930531 49.284749
辽宁 2014 东部地区 34.098127 5.6505546 45.5137661 24.4371661 43.9584393 51.620388
辽宁 2015 东部地区 37.470660 8.4118666 46.3055521 29.0873284 44.1510051 54.586220
辽宁 2016 东部地区 44.330759 13.1727158 44.9457126 37.8040339 41.4927542 53.220383
辽宁 2017 东部地区 59.279037 15.1275703 39.3351131 49.4367444 42.5401750 53.048616
辽宁 2018 东部地区 74.244805 23.6892323 45.8418804 63.9334821 41.7569796 55.974445
辽宁 2019 东部地区 81.897345 25.1596775 44.4300815 63.8391261 37.5630493 52.848048
内蒙古 2010 西部地区 23.388277 12.6781982 29.0057308 8.0699340 20.2307611 25.737543
内蒙古 2011 西部地区 22.774217 13.1429339 22.9947796 11.3244685 17.6885439 27.118209
内蒙古 2012 西部地区 25.196776 13.4121919 30.3467985 11.2156146 16.9756127 29.338332
内蒙古 2013 西部地区 26.650749 12.7950528 28.1497016 11.7785758 14.7691577 33.792133
内蒙古 2014 西部地区 27.093827 12.7799046 27.8617748 13.9825655 13.5355656 35.075031
内蒙古 2015 西部地区 30.441358 12.4732660 32.0207597 14.0999764 14.0000239 37.458273
内蒙古 2016 西部地区 35.096478 14.5721760 29.6312514 15.0169412 13.6470331 38.427169
内蒙古 2017 西部地区 38.406004 19.9248757 34.6541382 20.9328577 14.8140465 37.048425
内蒙古 2018 西部地区 37.496282 26.3930989 30.9297044 25.7519046 15.0642503 35.138794
内蒙古 2019 西部地区 35.297712 26.6637107 27.9422227 25.1966007 13.3593343 29.569170
宁夏 2010 西部地区 19.618680 12.5027780 27.2659138 1.7462330 7.2519920 16.302046
宁夏 2011 西部地区 19.501272 15.3740966 31.7525319 3.0216447 5.4904310 17.650542
宁夏 2012 西部地区 21.645009 16.8912706 39.0202378 3.7074950 5.8429454 20.481304
宁夏 2013 西部地区 15.495349 18.8270677 50.0622380 4.1237267 5.1692663 23.217995
宁夏 2014 西部地区 19.095750 18.1282794 35.9924783 5.2355952 4.1390543 28.306379
宁夏 2015 西部地区 27.454695 18.2038663 46.0221304 6.2767016 2.3739055 28.309660
宁夏 2016 西部地区 30.470871 17.6424875 34.7674266 8.6356111 1.6034330 27.663798
宁夏 2017 西部地区 66.292959 19.8328320 44.1705818 12.1827100 0.0000000 25.623699
宁夏 2018 西部地区 49.897938 25.9903165 43.6800423 14.2009754 3.8696940 27.901270
宁夏 2019 西部地区 44.412395 25.8870791 40.8194153 16.6731388 7.0327985 30.282471
青海 2010 西部地区 16.149631 22.3756898 0.0000000 0.1509097 2.2188648 0.000000
青海 2011 西部地区 15.513089 18.5595149 0.0282214 0.2311390 1.4082810 1.727535
青海 2012 西部地区 16.344512 18.1886593 2.1132183 0.0000000 2.7199019 7.378766
青海 2013 西部地区 19.371325 18.7641596 2.3397459 0.7193889 4.0156458 9.796503
青海 2014 西部地区 18.464690 19.9988105 18.3107512 2.0385933 4.4674147 14.718743
青海 2015 西部地区 22.946756 20.1685759 1.1614115 2.2539869 3.9775828 13.823624
青海 2016 西部地区 24.562597 21.2120937 8.7642554 2.6637924 0.7497934 11.593698
青海 2017 西部地区 30.693615 24.7768287 12.2162430 3.6441136 2.2784115 13.797258
青海 2018 西部地区 30.752492 41.6460816 13.4969083 4.2722149 4.5289567 9.808998
青海 2019 西部地区 31.803419 54.3141954 15.2539067 5.8931309 7.0529040 12.338255
山东 2010 东部地区 24.055792 7.0239952 49.5399295 30.5774221 54.1839593 26.690932
山东 2011 东部地区 24.959186 6.4604384 52.3468806 49.1335630 51.9154373 26.188733
山东 2012 东部地区 26.019066 5.8448955 57.2887601 41.4609011 53.5456601 31.365938
山东 2013 东部地区 25.997469 5.6436240 58.2250668 44.5124566 56.8517946 34.473916
山东 2014 东部地区 28.173820 3.8755607 56.6012473 43.8505184 58.7165515 38.863502
山东 2015 东部地区 29.061122 5.1693140 61.5783589 46.2718836 65.0171989 42.406835
山东 2016 东部地区 33.260917 6.0634924 62.1630424 53.6642721 63.9613754 43.417465
山东 2017 东部地区 38.125898 7.8725125 56.6428395 72.5336985 61.1752872 41.411208
山东 2018 东部地区 41.932470 17.2359476 56.7846940 79.6392122 58.1433128 41.423943
山东 2019 东部地区 55.493730 18.9719901 56.2877439 81.2869080 53.8668239 44.531493
山西 2010 中部地区 20.555422 16.6367924 23.1598195 9.7163747 27.1013630 23.861614
山西 2011 中部地区 22.960147 17.6180535 27.1929648 14.1704992 25.3491549 26.888375
山西 2012 中部地区 27.639326 16.4672914 29.7272451 13.6932282 25.1713656 32.167525
山西 2013 中部地区 35.997784 15.9039053 34.7405352 13.6607436 24.7426897 34.453392
山西 2014 中部地区 34.907143 14.5721838 31.1390760 15.3743307 27.2633557 38.215915
山西 2015 中部地区 35.812314 13.3420234 34.5914191 17.5928910 28.2512579 42.397013
山西 2016 中部地区 39.726624 14.8841643 39.7855482 20.8232000 20.6140213 40.037456
山西 2017 中部地区 43.890766 18.2853058 35.4606519 28.6526756 24.8496071 39.756455
山西 2018 中部地区 48.453781 30.2177367 36.0766166 29.4478184 24.7178464 35.808352
山西 2019 中部地区 51.766502 38.6627855 35.1623649 30.2091209 23.3287655 32.527865
陕西 2010 西部地区 13.055590 22.5421480 24.2951681 11.4706077 21.7664131 21.076283
陕西 2011 西部地区 15.233409 24.1818559 23.8948764 13.7131008 23.0078626 23.076771
陕西 2012 西部地区 17.531432 24.4689402 25.2280483 13.1939082 24.4358430 26.487341
陕西 2013 西部地区 21.776219 21.5601093 24.1941083 13.4413633 25.2068360 29.696992
陕西 2014 西部地区 24.194531 18.6763932 27.5154833 15.1774707 24.6507646 32.790465
陕西 2015 西部地区 30.610529 21.0070286 27.0328153 16.7463797 23.7332179 35.767269
陕西 2016 西部地区 33.547023 17.7990450 28.2918965 19.4755049 24.8556566 35.997425
陕西 2017 西部地区 43.302988 22.2054279 26.0704338 29.8060094 21.9427342 36.401049
陕西 2018 西部地区 51.624155 26.3348060 27.5481904 32.2643202 28.8334073 35.993076
陕西 2019 西部地区 50.283685 26.8932937 29.0661792 33.7758951 30.7337892 34.358015
上海 2010 东部地区 69.078922 9.7027098 56.0276235 23.8025152 20.8683950 54.129636
上海 2011 东部地区 69.162203 10.5169447 58.1565644 25.7301445 21.2104102 58.720092
上海 2012 东部地区 76.652750 10.4199864 59.3107950 24.5574800 21.7314887 64.999707
上海 2013 东部地区 77.389839 10.9422944 60.7850915 26.1723313 21.2812001 67.287742
上海 2014 东部地区 77.696211 10.0846960 62.4191980 29.5684363 21.0292369 72.411490
上海 2015 东部地区 84.473101 10.6661917 61.5686913 32.5190748 21.3857366 75.047026
上海 2016 东部地区 84.172424 12.4578866 63.0139025 36.6172268 23.9630196 76.390010
上海 2017 东部地区 90.159128 15.5912442 58.5748090 44.0784680 23.7846897 78.087173
上海 2018 东部地区 93.819810 23.1594750 57.3374117 50.4448715 26.9939846 76.065316
上海 2019 东部地区 95.211837 23.0066249 51.8153594 46.8257076 27.1787503 79.192056
四川 2010 西部地区 18.912490 12.9367033 31.1985281 19.9270312 49.3278352 39.626810
四川 2011 西部地区 24.457571 14.1598441 30.9879257 23.2853389 52.1001565 43.234912
四川 2012 西部地区 25.132380 13.9892824 34.8921564 26.3010635 52.3038024 47.025113
四川 2013 西部地区 28.661986 14.4809627 33.4621174 25.7012471 53.5479235 49.792377
四川 2014 西部地区 32.996336 12.0078042 34.9035653 29.7384416 54.5333099 54.049265
四川 2015 西部地区 35.614134 14.0681926 38.6717835 32.3960527 57.0740731 56.566809
四川 2016 西部地区 38.120179 15.0741896 33.8167535 35.1952661 47.8595434 57.155467
四川 2017 西部地区 41.660603 16.2921651 32.3781722 60.1930986 50.8892736 61.876279
四川 2018 西部地区 45.174951 21.9641550 29.6449781 62.4420521 63.4574839 64.400290
四川 2019 西部地区 58.831056 21.6560275 36.0819978 71.1293872 73.1188374 62.435586
天津 2010 东部地区 54.812537 15.6291208 61.8496325 10.1028175 9.8282585 23.338757
天津 2011 东部地区 51.163904 14.6799694 60.6459289 13.5666524 6.2754704 26.874235
天津 2012 东部地区 49.732670 12.3934022 69.3009194 13.0096218 5.8720925 31.108119
天津 2013 东部地区 55.799340 13.1692461 74.9546309 14.3539417 4.5684867 33.443768
天津 2014 东部地区 54.452270 11.7740533 75.0864622 15.7674175 5.1485254 35.171224
天津 2015 东部地区 56.953641 10.8855727 77.6426684 17.5365526 8.6485832 37.951003
天津 2016 东部地区 62.672315 10.9703740 70.6574236 21.0706627 8.9878453 38.163038
天津 2017 东部地区 67.956206 12.8644760 61.3603149 20.5252089 5.9304646 34.816961
天津 2018 东部地区 62.587375 20.4322577 56.1257587 21.8881204 13.6180783 32.658119
天津 2019 东部地区 64.189341 21.0909154 61.1190520 24.0446124 14.0852840 31.937715
新疆 2010 西部地区 23.240361 17.5147671 16.2910363 8.1175199 10.5428604 11.778278
新疆 2011 西部地区 25.559802 19.3387798 11.7343089 8.3019858 8.5717481 11.766131
新疆 2012 西部地区 23.761823 20.1582444 16.6209384 8.4698340 5.1806467 16.756996
新疆 2013 西部地区 27.880027 19.5912286 20.2745080 11.4142602 3.7633715 19.499471
新疆 2014 西部地区 30.778493 20.0241137 31.0330809 13.2878001 2.6929786 22.361147
新疆 2015 西部地区 31.792775 17.7135422 34.8516907 12.6605599 3.6905764 26.122816
新疆 2016 西部地区 36.739948 20.1160371 26.0058269 13.0013825 3.9927993 23.147253
新疆 2017 西部地区 45.895186 23.7665315 14.3716000 15.0736972 6.7619905 24.906692
新疆 2018 西部地区 54.938677 28.5288945 19.7125042 15.1605693 6.4740672 22.359680
新疆 2019 西部地区 52.602864 28.9211458 24.1994279 13.6424833 5.4170135 23.579604
云南 2010 西部地区 26.401518 14.5935707 15.0407350 12.7592347 20.2546879 20.178853
云南 2011 西部地区 32.682713 18.7807627 17.5110399 13.8542161 18.6686152 21.721483
云南 2012 西部地区 35.308719 17.4895616 24.4172607 13.1899436 20.3036980 25.334350
云南 2013 西部地区 40.515761 17.8217229 21.8292330 13.8983619 19.4478252 27.686200
云南 2014 西部地区 42.695369 18.7385967 22.4834506 15.7800538 19.3726723 30.517131
云南 2015 西部地区 45.868490 19.0899673 21.1335591 16.9512552 20.9107139 32.544915
云南 2016 西部地区 50.849140 21.4886483 20.6834726 17.7763064 18.2386318 31.278944
云南 2017 西部地区 58.950634 25.3656607 17.2898944 25.1553216 24.5722487 33.731087
云南 2018 西部地区 66.637610 32.5699859 20.9982653 26.8824704 25.7529199 31.080721
云南 2019 西部地区 69.149520 35.2597227 17.4814912 31.5574142 26.8662365 32.640781
浙江 2010 东部地区 35.620295 0.0000000 71.6767926 26.9161141 42.5342220 28.256887
浙江 2011 东部地区 38.345796 3.5118773 78.7175602 28.2904816 43.8986876 31.941673
浙江 2012 东部地区 41.012191 3.1727098 85.2727241 28.7936534 45.5899513 37.545898
浙江 2013 东部地区 42.852469 3.8283897 92.1022352 28.7142319 48.8368229 38.537334
浙江 2014 东部地区 44.125534 0.4915129 93.0880442 31.6052633 50.0475804 40.989235
浙江 2015 东部地区 49.226905 2.9893639 100.0000000 34.7271030 50.2674718 42.823849
浙江 2016 东部地区 47.075796 5.7971159 98.5586446 40.2073921 49.3254262 41.451958
浙江 2017 东部地区 48.081202 8.3393828 90.7917067 56.5068108 52.2030990 43.179427
浙江 2018 东部地区 47.412378 16.1015510 93.0593709 66.2250806 53.3579775 44.526918
浙江 2019 东部地区 47.409559 15.6830130 94.4618929 68.9833805 52.8582848 46.793824

  1. 参见李克强总理在2015年至2017年的“放管服”电视电话会议上的重要讲话。↩︎

  2. 参见习近平总书记在中央财经领导小组第十六次会议上的重要讲话。↩︎

  3. 由于2011年(统计年份为2010年)的《中国法治发展报告》中关于政府透明度的数据是以主要城市为统计口径,因此本文首先将城市和其行政区位代码匹配,然后按照代码的前两位进行分组求均值,由此得到2010年各省份的政府透明度数据。↩︎

  4. 东部包括:北京、天津、河北、上海、江苏、浙江、福建、山东、广东、辽宁和海南;中部包括:山西、安徽、江西、河南、湖北、湖南、吉林和黑龙江;西部包括:内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏和新疆。↩︎

  5. 参照Batóg(2015)的做法,本文将两个子区间中边际垂直\(\beta\)系数的最大、小值分别去掉,以避免分析结果受到极端值的影响。其中,2010年至2014年去掉的为青海、贵州两省,2015年至2019年去掉的为青海、海南两省。↩︎